结合灰度与差分信息的混合活动轮廓模型

《结合灰度与差分信息的混合活动轮廓模型》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中图分类号：TP391.4硕士学位论文题目结合灰度与差分信息的混合活动轮廓模型作者姓名万志勤指导老师孙开琼副教授学科、专业测试计量技术及仪器2016年6月学校代码：10406分类号：TP391.4学号：130080402007南昌航空大学硕士学位论文（学位研究生）结合灰度与差分信息的混合活动轮廓模型硕士研究生：万志勤导师：孙开琼副教授申请学位级别：硕士学科、专业：测试计量技术及仪器所在单位：测试与光电工程学院答辩日期：2016年6月授予学位单位：南昌航空大学HybridActiveContourModelIntegratingIntensity

2、andDifferentialInformationADissertationSubmittedfortheDegreeofMasterOnMeasuringandTestingTechnologiesandInstrumentsbyWanZhiqinUndertheSupervisionofProf.SunKaiqiongCollegeofInformationEngineeringNanchangHangkongUniversity,Nanchang,ChinaJune,2016南昌航空大学硕士学位论文摘要摘要图像分割是计算机视觉和图像处理

3、领域内的重要研究内容。至今，已有多种分割算法，而活动轮廓模型是一个比较著名的方法，并且在众多研究中也得到了非常广泛的应用。其基本思想是在服从一定约束条件下在给定图像中演化一条封闭曲线以检测图像中的目标。本文主要是对活动轮廓模型的分割方法进行研究。文中介绍了几种比较著名的活动轮廓模型，并通过实验结果对模型的优缺点作出了简要的分析。分析发现使用图像全局信息的活动轮廓模型虽然对初始轮廓位置不敏感，但不能准确的分割出灰度不均匀图像，而使用图像局部信息的活动轮廓模型虽然能够有效的处理灰度不均匀图像，但又存在初始轮廓位置敏感问题。为了能够更加有效的对图像实

4、现分割，本文提出了一种结合图像差分与局部信息的活动轮廓模型，其中图像的差分信息为滤波后的图像减去原始图像。并且在数值实现时采用了时间分步法，同时避免了传统更新迭代中需要重新初始化的过程，从而使本文模型在数值实现上更加简单。此外，在该模型的基础上，本文提出了一种结合图像背景估计信息的活动轮廓模型，背景估计信息为背景图像减去原始图像，而背景图像为在原始图像上进行形态学开运算的结果。提出模型的能量泛函中数据项由图像的背景估计信息和局部信息组成，其中使用图像的局部信息能保持对灰度不均匀图像分割的准确性，同时由于背景估计信息的引入，算法有效的克服了对初始

5、位置敏感的问题。并且背景估计信息本身能够很好描述灰度不均匀图像，从而使本文模型避免了现有的混合模型中局部项与全局项之间比例参数的权重问题，增加了算法对不同特征图像的适应性。实验结果表明，对比于其它模型，本文方法能够快速准确的分割出图像中的目标，并且对初始轮廓位置不敏感。关键词：图像分割，活动轮廓模型，差分图像，背景估计，初始轮廓I南昌航空大学硕士学位论文AbstractAbstractImagesegmentationisanimportantresearchinthefieldofcomputervisionandimageprocessin

6、g.Untilnow,thereisavarietyofsegmentationmethods,andamongthemactivecontourmodelisapopularonewidelystudiedandusedinmanyapplications.Thefundamentalideaofactivecontourmodelistoconstructsomeconstraintstotheobjectandrealizethesegmentationprocessbycurveevolution.Thispaperismainlyre

7、searchonthemethodoftheactivecontourmodel.Ourpaperintroducesseveralkindsofactivecontourmodels,andmakesabriefanalysisoftheadvantagesanddisadvantagesofthemodelaccordingtotheexperimentalresults.Theexperimentsshowactivecontourmodelwhichusetheimageglobalinformationisnotsensitiveto

8、theinitialcontour,butitcan’taccuratelysegmenttheimageswithintensityinhomoge